動态(dynamic)mesh metric
目前主要有兩種方式來對動态mesh進行評價,一個是将靜态mesh的metrics運用到動态mesh上來,另一個是使用專門為動态mesh設計的metrics
使用靜态metric的缺點:會繼承靜态metric的所有問題;比如CFS雖然有帶通特性,但是時域對應的CSF函數有低通特性,是以在靜态發現不了的低通失真在動态mesh中會被發現。我們稱這種現象為temporal artefacts。也就是說,在靜态發現不了的失真會在動态mesh中出現。
-
KG error
由Karni和Gotsman提出,廣泛使用在動态mesh壓縮上。主要使用矩陣描述原始和失真模型,矩陣的清單示各個頂點的動畫軌迹。
動态metric及主觀測試實驗 -
Da error
由Jang 提出,主要适用于誤差向量在連續幀中形成的帶狀,一個誤差向量是連接配接在原始和失真模型中一個特定幀中的特定頂點的位置的矢量。
Da error的計算方式:将誤差向量投影到坐标軸,且每次隻考慮一個坐标軸。誤差向量與2D空間(坐标+時間)的帶狀結構中連續兩幀的特定頂點相關,并使用metric計算帶狀面積且作為該特定頂點對整體誤差的貢獻,有很多限制,但仍被MPEG-4标準接受
-
4D Hausdorff distance
4D Hausdorff distance是對Hausdorff距離的改變,第四維指的是動畫的時間。在4D空間,一個三角網格會形成一個棱鏡。這些棱鏡被細分為連續的四維四面體以便操作,metric就在這些四面體上使用,相當于在三維中的Hausdorff評價。
優點:能夠檢測到表面的時間鄰近度。
缺點:需要一個和時間空間都相關的常數而且這個常數難以獲得; 計算複雜度高,需要大量記憶體,與人類感覺沒有相關性
-
空時邊緣差(Spatio-temporal edge difference)誤差error
Va ´sa and Skala提出,該metric是基于感覺誤差與頂點的局部和相對位置的改變有關,而不是絕對和全局頂點位置的改變。Metric以邊為基本計算圖元,計算每個動畫中每個mesh的每條邊的相對長度變化。接着,對于每個頂點,計算每個頂點拓撲相鄰内邊的相對長度的标準差。該标準差作為這個頂點對誤差量度的空域貢獻。
該metric通過虛拟時域邊來捕獲時域影像,所謂虛拟時域邊就是連接配接連續兩幀中的頂點的邊。原始模型的虛拟時域邊的長度和失真模型的虛拟時域邊長度的差異作為時域的metric誤差。Metric是空域和時域誤差的斜邊。
局限性:需要設定較多參數來獲得與主觀分數較大的相關性,需要原始mesh和失真mesh都有相同的頂點數和連接配接關系。
-
簡化評價(Simplification evaluation)
Larkin 和 O’Sullivan提出的,主要是針對人類角色動畫mesh簡化的感覺評價。在這種情況下,失真模型的定點數遠遠小于原始模型,這會導緻視覺假象:
作者列出以下三種情況:
紋理:由于對紋理坐标進行插值産生的誤差;
明暗分布(lighting):對法向量插值導緻的誤差
輪廓(silhouette):mesh輪廓中的錯誤
實驗發現,輪廓的改變産生的現象最容易被發現,其他兩個影響較小。是以作者就對輪廓的改變進行量化感覺。
缺點:但是作者并沒提供主觀實驗相關性的資料而且實驗隻是在動畫的一幀中做了實驗(相當于靜止幀)
-
實體模拟保真度(Fidelity of physical simulations)
動态網格資料集擷取的方式很多,實體模拟就是其中一個。在仿真産生的動态場景中,除了感覺實體模拟動畫和參考模拟模型間的差異,還可以感覺在仿真中實體特性的似然性。通過一系列主觀實驗,O’Sullivan基于物體模拟碰撞提出一個視覺保真度metric,這個metric主要估計感覺模拟模型非相似性的機率P(A)。
動态metric及主觀測試實驗 上面的三個P分别表示:
the probabilty of spotting an error in the postcollision angels of the objects;
the probability of perceiving the post-collision speeds of the objects as implausible
the probability of seeing a gap between the colliding objects at the time of the collision or a delay between the collision and the subsequent movement
動态metric及主觀測試實驗
主觀資料庫和主觀評價(Subjective databases and evaluation)
- 主觀測試(Subjective tests)
-
主觀實驗的步驟:
1) 建構具有不同類型的模型資料庫(包括參考模型和失真模型)
2) 主觀實驗是觀察者通過感覺失真模型給出相應的分數。然後計算出MOS(mean opinion scores)分數,
動态metric及主觀測試實驗 其中 是第i個模型的MOS值,n表示測試物體的個數, 表示第j個主觀打分人對第i個模型的主觀分。
3) 每個打分的人可能對模型打分尺度标準有差距,是以要對主觀分數進行歸一化和異常值剔除。也可以通過計算95%置信區間或組内相關系數檢查MOS值的可靠性。
4) 分析資料:分析MOS值和metric值間的相關性。一般使用Spearman Rank Order Correlation和 Pearson Linear Correlation Coefficient。
-
主觀實驗的影響因素:
1) 環境:顯示器的類型,觀看距離,燈光明暗。
2) 材料:比如模型庫需要包括不同種類和不同失真,不能針對特殊場景。而且打分的方位需要平衡。
3) 打分方式:如何播放模型和打分方式,如,單激勵還是雙激勵,五分制(很差,差,一般,好,很好)還是十分制。
4) 分析打分結果:如何使MOS有顯著特征
-
主要的模型庫:
The LIRIS/EPFL General-Purpose Database
The LIRIS Masking Database http://liris.cnrs.fr/guillaume.lavoue/data/datasets.html.
The IEETA Simplification Database http://www.ieeta.pt/ sss/repository/
The UWB Compression Database http://compression.kiv.zcu.cz/
品質評估的應用舉例
-
水印(watermarking),壓縮(compression)
所謂水印,就是将一定的資訊嵌入物體中,一般用于防僞,保護知識産權。Mesh水印主要有以下三種應用:版權保護(魯棒水印),mesh認證(脆弱水印)和内容增強(高負載水印)。水印資訊的嵌入會給原始模型帶來一定的損害,是模型産生失真,如何使失真盡可能少的被觀察到,就是品質評估要做的。
1) 利用HVS對頻率的敏感度不同:人眼對高頻産生的變化感覺比較差,是以将水印資訊融合在高頻上是一個很重要的選擇,但3Dmesh的頻域轉換比較難。對于壓縮而言,高頻點壓縮比特高一些,低頻點少一些。
2) 利用掩蓋效應,對複雜區域水印資訊加載的多一些,壓縮比特也可以大一些。
-
Quality Metric存在的問題
Metric對各種失真模型的适應性
面對不同環境和用途的失真模型精确預測的能力,比如不同顯示裝置,不同渲染程式
對具有不同特性的模型,如大小,平坦度和細節豐富程度